【技术实现步骤摘要】
本申请属于新能源故障诊断领域，具体涉及一种风电机组故障诊断系统及方法。
技术介绍
1、随着新能源产业的迅速发展，我国风电设备装机量迅速增长，风机的结构的规模与复杂度也不断提高。风电系统所处运行环境恶劣、运行工况切换频繁致使风电机组发生故障的概率增加，一旦发生故障不仅会降低系统的动态性能，甚至发生安全事故造成不可估量的损失。然而风电机组的故障诊断速度明显滞后于风电机组的发展速度，没有足够的故障数据支持是造成这一现象的重要原因之一。
2、现有技术一般利用现有的运行数据进行模型训练，但是在实际过程中一般很难获取到足够的故障数据，且机理仿真数据由于干扰、计算精度、模型简化等原因与实际运行数据会存在一定的误差，从而影响故障诊断模型的精度。
技术实现思路
1、本申请的目的在于克服现有技术故障诊断模型的精度不足的缺陷。
2、为了实现上述目的，本申请提出了一种风电机组故障诊断系统，所述系统包括：
3、数据生成模块，用于根据设备的故障机理，利用空气动力学系统模型、传动系统模型和变桨距系统模型计算出对应的仿真数据，与历史故障一起通过数据训练生成模型学习反应故障类别的分布模式，生成虚拟故障数据；和
4、故障诊断模块，用于利用训练好的概率神经网络，对输入的风电机组运行数据进行故障诊断。
5、作为上述系统的一种改进，所述数据生成模块包括：
6、风电机组机理子模块，用于根据故障机理利用空气动力学系统模型、传动系统模型和变桨距系统模型，生成
7、数据生成子模块，由条件对抗网络构成，用于为来自风电机组机理子模块生成的混合运行数据进行故障类型标记，交由条件对抗网络进行学习、训练，利用训练好的网络生成不同类型的虚拟故障数据。
8、作为上述系统的一种改进，所述空气动力学系统模型为：
9、风机转子从风能中捕获的风能功率p为：
10、
11、其中，λ为叶尖速比；β为叶片桨距角；r为风轮半径；v为风速；ρ为空气密度；
12、cp(λ,β)为风能利用系数：
13、
14、式中参数λi的求解式为：
15、
16、作为上述系统的一种改进，所述传动系统模型为：
17、
18、jg＝jω/n2
19、其中，tω为启动转矩；tg为发电机转矩；n为齿轮转速比；为发电机转速；ωr为转子转速；jg为高速轴侧的转动惯量；jω为风轮转动惯量。
20、作为上述系统的一种改进，所述变桨距系统模型为：
21、
22、βmin≤β≤βmax
23、其中，β和βref分别为桨距角实际值和桨距角参考值；为参考值与实际值之间的误差；τ为时间常数；βmin、βmax分别为桨距角的最小值和最大值。
24、作为上述系统的一种改进，所述概率神经网络利用数据生成模块生成的不同故障种类的虚拟数据进行训练，训练过程中，利用遗传算法对概率神经网络的权重进行优化；
25、所述概率神经网络的训练过程包括：
26、步骤1：初始化遗传算法种群大小，利用随机函数生成介于0和1之间的n×d大小的矩阵；其中n表示种群规模，d表示每一条染色体中基因数量，基因数量与概率神经网络中的权重数量相同；
27、步骤2：将概率神经网络作为适应度评估函数，每条染色体中的基因作为概率神经网络的权重，概率神经网络输出的训练误差作为适应度，并选择误差最小的一条染色体将其全部信息直接保留到下一代中；
28、步骤3：利用轮盘赌的方式参考适应度选择两条染色体进行交叉操作，选择一条染色体根据变异率进行变异操作；
29、步骤4：判断是否达到终止条件，是则输出训练好的概率神经网络模型，否则执行步骤2。
30、作为上述系统的一种改进，所述系统还包括：
31、数据采集模块，用于采集风电机组系统的运行数据。
32、本申请还提供一种风电机组故障诊断方法，基于上述系统实现，所述方法包括：
33、将风电机组运行数据输入故障诊断模块，得到故障诊断结果；
34、所述故障诊断模块的训练数据由数据生成模块生成。
35、与现有技术相比，本申请的优势在于：
36、本专利技术利用少量实际运行故障数据和机理仿真数据，通过生成式对抗网络生成不同故障类型的故障虚拟数据，该虚拟数据可以根据训练需求生成足够的训练数据同时也比机理仿真数据分布范围广、更接近真实运行数据，提高了故障诊断的精度；在故障诊断模块与单纯的使用概率神经网络算法相比，利用遗传算法优化了概率神经网络的训练过程，提高了训练速度。同时本系统包括故障诊断模型的全部训练、使用流程，可重复性高，对不同的风电机组不需要重新建模，节省了人力成本，同时也降低了对使用人员的技能要求，更具通用性。
本文档来自技高网...【技术保护点】
1.一种风电机组故障诊断系统，其特征在于，所述系统包括：
2.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述数据生成模块包括：
3.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述空气动力学系统模型为：
4.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述传动系统模型为：
5.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述变桨距系统模型为：
6.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述概率神经网络利用数据生成模块生成的不同故障种类的虚拟数据进行训练，训练过程中，利用遗传算法对概率神经网络的权重进行优化；
7.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述系统还包括：
8.一种风电机组故障诊断方法，基于权利要求1-7任一所述系统实现，所述方法包括：
【技术特征摘要】
1.一种风电机组故障诊断系统，其特征在于，所述系统包括：
2.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述数据生成模块包括：
3.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述空气动力学系统模型为：
4.根据权利要求1所述的风电机组故障诊断系统，其特征在于，所述传动系统模型为：
5.根据权利要求1所述的风电机组故障诊断系统，其特征...
【专利技术属性】
技术研发人员：赵贺，魏良宵，李欣芮，邵珠鹏，陶帅，王燊，赵欣然，
申请(专利权)人：国家电投集团数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。